Cours d'intelligence artificielle médicale

Leçon 1 • Types de tâches d'IA médicale

Passe en revue les tâches de classification, de régression, de segmentation et de génération en médecine. Aide les apprenants à faire correspondre les types de tâches aux algorithmes appropriés.

Leçon 2 • Qu'est-ce que l'IA médicale

Définit l'IA, l'apprentissage automatique et l'apprentissage profond dans un contexte clinique. Établit le vocabulaire commun utilisé tout au long du cours.

Leçon 3 • Parties prenantes et rôles clés

Cartographie l'écosystème des cliniciens, des data scientists, des régulateurs et des patients. Clarifie les responsabilités de collaboration pour un déploiement réussi de l'IA.

Leçon 4 • Cadrage du problème clinique

Enseigne comment traduire un défi clinique en un énoncé de problème d'IA. Relie le cadrage du problème aux choix de conception du modèle en aval.

Leçon 1 • Évaluation de la qualité des données

Identifie l'exhaustivité, l'exactitude, la cohérence et l'actualité comme dimensions de qualité. Prépare les apprenants à auditer les ensembles de données avant l'entraînement du modèle.

Leçon 2 • Confidentialité, sécurité et gouvernance

Couvre les principes de protection des données des patients et les cadres de gouvernance institutionnelle. Ancre les apprenants dans des pratiques responsables de gestion des données.

Leçon 3 • Normes de données et interopérabilité

Explique les systèmes de codage clinique et les normes d'échange de données de santé. Permet aux apprenants de travailler efficacement avec des ensembles de données cliniques structurés.

Leçon 4 • Sources et types de données cliniques

Couvre les dossiers médicaux électroniques (DME), les archives d'imagerie, la génomique et les flux de données des appareils portables. Établit l'étendue des données disponibles pour les projets d'IA médicale.

Leçon 1 • Entraînement et optimisation du modèle

Couvre les fonctions de perte, la descente de gradient, le réglage des hyperparamètres et la validation croisée. Équipe les apprenants pour entraîner des modèles robustes sur des ensembles de données cliniques.

Leçon 2 • Apprentissage non supervisé en médecine

Présente le clustering, la réduction de dimensionnalité et la détection d'anomalies pour la découverte clinique. Permet aux apprenants de trouver des modèles sans résultats étiquetés.

Leçon 3 • Évaluation des modèles d'apprentissage automatique cliniques

Enseigne l'AUC-ROC, le rappel de précision, la calibration et l'analyse du bénéfice net. Relie les métriques statistiques aux seuils de performance cliniquement significatifs.

Leçon 4 • Essentiels de l'apprentissage supervisé

Explique la régression logistique, les arbres de décision et les machines à vecteurs de support dans un contexte clinique. Relie le choix de l'algorithme aux besoins d'interprétabilité et de performance.

Leçon 1 • Segmentation d'images médicales

Couvre les réseaux encodeur-décodeur et les mécanismes d'attention pour la délimitation des organes et des lésions. Prépare les apprenants à construire des pipelines de segmentation pour les flux de travail cliniques.

Leçon 2 • IA d'imagerie dans toutes les spécialités

Passe en revue l'IA d'imagerie déployée en radiologie, pathologie, dermatologie et ophtalmologie. Illustre comment les choix d'architecture varient selon la modalité d'imagerie.

Leçon 3 • Vision Transformers en médecine

Présente l'auto-attention et le traitement d'image par patchs pour les tâches médicales. Compare la performance des transformers à celle des CNN sur des benchmarks d'imagerie clinique.

Leçon 4 • Réseaux de neurones convolutionnels

Détaille les couches de convolution et de pooling, ainsi que les hiérarchies de cartes de caractéristiques pour l'analyse d'images. Relie les choix de conception des CNN à la performance en radiologie et en pathologie.

Leçon 1 • Évaluation des systèmes de NLP clinique

Couvre le score F1, la correspondance exacte, BLEU et les méthodes d'évaluation par des experts cliniques. Relie les métriques de NLP aux évaluations d'utilité clinique réelle.

Leçon 2 • Modèles Transformers pour le NLP clinique

Explique le pré-entraînement de type BERT et le réglage fin sur des corpus cliniques. Relie l'architecture transformer aux performances de pointe en NLP clinique.

Leçon 3 • Texte clinique et bases du NLP

Couvre la tokenisation, la reconnaissance d'entités nommées et la structure des notes cliniques. Établit les fondamentaux du NLP avant d'aborder les défis spécifiques aux soins de santé.

Leçon 4 • Extraction d'informations à partir des DME

Enseigne l'extraction de relations, le raisonnement temporel et le phénotypage à partir de notes cliniques. Permet aux apprenants de convertir le texte libre en caractéristiques structurées prêtes pour l'IA.

Leçon 1 • Réalisation d'un audit d'équité

Fournit un flux de travail structuré pour auditer la performance du modèle à travers les sous-groupes démographiques. Prépare les apprenants à documenter et communiquer les résultats de l'audit.

Leçon 2 • Métriques et définitions de l'équité

Explique la parité démographique, l'égalité des chances et la calibration entre les sous-groupes. Clarifie les compromis entre les différents critères d'équité en concurrence dans des contextes cliniques.

Leçon 3 • Cadres éthiques pour l'IA médicale

Applique les principes de bienfaisance, de non-malfaisance, d'autonomie et de justice aux décisions de déploiement de l'IA. Relie les principes bioéthiques aux choix pratiques de gouvernance de l'IA.

Leçon 4 • Stratégies d'atténuation des biais

Couvre les techniques de débiaisage en prétraitement, en traitement et en post-traitement. Équipe les apprenants pour sélectionner des méthodes d'atténuation appropriées aux contraintes cliniques.

Leçon 1 • Documentation des ensembles de données et des modèles

Couvre les fiches modèles, les fiches techniques des ensembles de données et les déclarations d'utilisation prévue pour les soumissions réglementaires. Enseigne aux apprenants à produire une documentation qui satisfait les examinateurs.

Leçon 2 • Surveillance continue et revalidation

Aborde la détection de la dérive du modèle, les tableaux de bord de performance et les déclencheurs de réentraînement. Relie la surveillance continue à la sécurité des patients et à la conformité réglementaire.

Leçon 3 • Normes de preuve pour l'IA clinique

Compare les conceptions d'études rétrospectives, prospectives et randomisées pour la validation de l'IA. Établit la hiérarchie des preuves attendue par les régulateurs et les cliniciens.

Leçon 4 • Cadres réglementaires pour les dispositifs d'IA

Explique la classification des logiciels en tant que dispositifs médicaux, les niveaux de risque et les voies d'approbation. Prépare les apprenants à naviguer dans les exigences réglementaires sans entrer dans le détail des juridictions.

Leçon 1 • Conception de l'intégration dans le flux de travail

Cartographie les sorties de l'IA vers les points de décision clinique et les systèmes d'alerte des DME. Garantit que les recommandations de l'IA parviennent aux cliniciens au bon moment dans la prestation des soins.

Leçon 2 • Gestion du changement et adoption

Applique les principes de gestion du changement aux déploiements d'IA clinique et à l'atténuation des résistances. Relie les stratégies d'engagement du personnel à l'adoption soutenue des outils.

Leçon 3 • Mesure de l'impact clinique et opérationnel

Définit les métriques de résultats couvrant la qualité clinique, l'efficacité et l'expérience patient. Équipe les apprenants pour construire des business cases et rapporter la valeur de l'IA.

Leçon 4 • Passage à l'échelle et pérennisation des programmes d'IA

Couvre les structures de gouvernance, la mise à l'échelle de l'infrastructure et la gestion de portefeuille pour les programmes d'IA. Prépare les apprenants à passer d'un pilote à un déploiement à l'échelle de l'entreprise.